线性代数的本质

通过直观的动画演示,理解线性代数的大部分核心概念 ,不是教你学习线性代数,而是帮助你更高效的学习。

序言

学校的课程对矩阵的要求比较高,但是对于潜在的几何直观知之甚少,但是现在我们有计算机,所以我认为更应该理解概念层面的东西。

在数值水平与几何水平理解线性代数有着本质的区别。几何水平的理解能让你判断出特定问题应该用什么样的工具来求解、感受它们为什么有用、以及解释最终结果。所以学习线性代数需要几何上的直观理解作为坚实的基础。

本笔记的目的是线性代数数值与几何之间给关系。


向量究竟是什么?

向量相加,可以把它看做数轴上加法的一种扩展。

线性代数中最基础最根源组成部分就是向量。

那么向量是什么呢?

一般来说有三种不同的观点来看待向量。分别以物理、计算机、数学的视角来看待向量。

  • 物理:具有大小和方向的箭头;
  • 计算机:向量是有序的数字列表;
  • 数学:结合物理和计算机两种观点,向量可以是任何数,只要符合加法和乘法的定义。

向量之所以要竖着写,是为了和点坐标相区别,向量可以看成一个起始点在坐标原点的带有方向的线段。向量的加法c=a+b可以看成一个动态运动的过程,先走到a,在以a的结尾开始走b,最终从原点到b的终点就是c。其中a也是先走再走j。i,j为基向量。向量的乘法可以理解成缩放。

线性组合、张成的空间与基

数学需要的不是天赋,而是少量的自由想象,但想象太过自由又会陷入疯狂。

线性代数围绕两种基本运算,向量加法与向量数乘。

线性组合:两个数乘向量的和;

张成的空间:v向量与w向量全部线性组合的集合;

:向量空间的一组基是由张成该空间的一个线性无关的向量集;

当我们用数字描述向量时,它都依赖于我们正在使用的基。


矩阵与线性变换的关系

线性变换有输入有输出,可以理解成一个将向量作为输入输出的函数,该函数保持网格线平行且等距分布,并且保持原点不动。

这一性质有个重要的推论,即变换后的v(x,y)依旧是x与变换后的i之积,加上y与变换后的j之积。

关于v,i,j之间的线性组合关系是不变的。也就是说只要知道了变换后的i,j的坐标,就能够推断出任意向量在变换之后的位置。

一种理解“向量的函数“的方法是使用运动,如果一个变换接收一个向量并输出一个向量,我们想象这个输入向量移动到输出向量的位置。接下来,要理解整个变换,我们可以想象每一个输入向量都移动到对应输出向量的位置。

总之线性变换是操作空间的一种手段,是对空间的挤压伸展, 是一种使向量运动的函数

线性变换由它对空间的基向量的作用完全决定。只需要基向量变了,整个空间也就跟着变了,基坐标线性变换后,为新的基坐标。每当看到一个矩阵时,都可以解读为对空间的一种特定变换。

矩阵只是一种记号,它含有描述一个线性变换的信息,是变换后的(i, j)和在一起的写法。我们完全可以把矩阵的列看成是变换后的基向量。矩阵看作线性变换,那么矩阵乘法,行列式,基变换等都会更加容易理解。


矩阵乘法与线性变换复合

矩阵乘法可以理解为特定的线性变换.

两个矩阵相乘有着几何意义,也就是两个线性变换相继作用,即一个表换之后再进行另一个变换。这个乘积要从右向左《----读,先用右边的作用在用左边的作用,这起源于函数的记号,因为我们将函数写在变量的左侧。

计算“i”

计算“j”

这一方法具有普适性。

矩阵相乘时,它们的先后顺序影响结果吗??

很明显,影响!

但是结合律:(AB)C = A(BC),可以观察到它们的变化顺序都是C--》B--》A,所以结果自然是相同的。


行列式

行列式的绝对值表示区域面积的缩放比例。二维

行列式为零说明矩阵的列线性相关。 

det(M1M2) = det(M1)*det(M2)

那出现负数怎么解释呢?

改变了空间的定向,类似一张纸翻面。此时的绝对值仍然是表示 面积的缩放比例。


逆矩阵、列空间、零空间

逆矩阵也是一种变换,A逆乘以A等于一个什么都不做的矩阵。

不管是一条直线、 一个平面还是三维空间等,所有可能的变换结果的集合被称为矩阵的“列空间”。

列空间就是矩阵的列张成的空间。所以更精确的 定义了列空间的维数。当秩达到最大,意味着秩与列数相等。称之为“满秩”。

对线性方程组来说,当向量v恰好为零向量时,零空间给出的就是这个向量方程所有可能的解。


点积与对偶性

注意点积的顺序,看,红色--》黄色的趋势变换。

叉积

来,我们来看看叉积

用线性变化的角度看待点积


基变换

每个人可以选定不同的“参考”。


特征向量与特征值

特征向量:仅有一个拉伸的作用,仍然是留在原有的张成空间内,这些特殊的向量就被称为“特征向量”。

每一个特征向量都有一个特殊的值,称为特征值。即衡量特征向量在变化中拉伸或者压缩比例的因子。

有什么作用呢?

例如:这个3D立方体的旋转轴就是特征向量。并且此时的特征值是1,不能有缩放效果。

充分理解这个公式:

我们举一个例子:


抽象向量空间

函数实际上是另外一种意义的向量。

就很妙~~矩阵向量乘法和求导联系了起来

所以,数学中有许多类似向量的事物,只要你处理的对象集具有合理的数乘和相加的概念。

如果你现在是线性代数的创始人,你需要满足这些“公理”。

到了这儿,也就明白为什么课堂是比较抽象的概念了,普适的代价是抽象

posted @ 2021-11-26 23:08  Ricardo_ML  阅读(685)  评论(0编辑  收藏  举报